神经网络与解释模型在非结冰期含沙量预测中的应用

基于大量历史数据的预测在环境治理、城市交通等领域已经成为必不可少的一个环节, 预测的准确性对实际生产、调度等工作有着重要影响. 受自然因素或人为因素的影响, 一些数据表现出高波动性以及不确定性, 导致无法充分发挥预测模型的最大优势. 本研究以非结冰期含沙量预测为案例, 探究了针对高波动性数据预测的优化方法, 发现通过基于SHAP方法的特征选择优化、数据平稳化以及前期聚类可以有效降低对高波动数据的预测误差, MAE从初始模型的1.502降低到0.194, 其中数据平稳化的优化效果最显著, MAE降低了76.51%, 但随着平稳化的阶数增大, 预测结果反而变差, 这是由于随着平稳化的阶数越高, 后续指数化的阶数也对应提升, 从而导致误差的指数倍增长. 此外, 将聚类结果作为特征输入可以有效“引导”多层感知机的参数学习过程.     

基于知识规则挖掘的风电机组故障识别与解释性分析

针对传统风电机组故障识别方法精度难以保证且缺乏解释性的问题，提出一种以模糊规则分类系统为框架的风电机组故障识别与解释性分析方案。离线阶段通过启发式学习生成代表性故障规则，采用多种群量子进化算法实现故障规则寻优，提高对故障的识别精度；在线阶段定义近邻规则竞争策略，在此基础上提出基于故障规则后处理策略的故障解释性分析方案，实现潜在故障概率排序以及解释性的关键异常征兆表达。以兆瓦级风电机组常见的10种故障数据进行仿真分析。结果表明，所提方法可有效提高故障识别精度，同时提供可靠的故障解释性结果。     

面向不平衡数据的深度TSK模糊分类器

为了进一步提升Takagi-Sugeno-Kang(TSK)模糊分类器在不平衡数据集上的泛化能力和保持其较好的语义可解释性，受集成学习的启发，提出面向不平衡数据的深度TSK模糊分类器(A Deep TSK Fuzzy Classifier for Imbalanced Data, ID-TSK-FC).ID-TSK-FC主要由一个不平衡全局线性回归子分类器(Imbalanced Global Linear Regression Sub-Classifier, IGLRc)和多个不平衡TSK模糊子分类器(Imbalanced TSK Fuzzy Sub-Classifier, I-TSK-FC)组成.根据人类“从全局粗糙到局部精细”的认知行为和栈式叠加泛化原理，ID-TSK-FC首先在所有原始训练样本上训练一个IGLRc,获得全局粗糙的分类结果.然后根据IGLRc的输出，识别原始训练样本中的非线性分布训练样本.在非线性分布训练样本上，以栈式深度结构生成多个局部I-TSK-FC,获得局部精细的结果.最后，对于栈式堆叠IGLRc和所有I-TSK-FC的输出，使用基于最小距离投票原理，得到ID...     

面向点云识别网络的显著图生成

点云结构上的特殊性质，导致解释其深度模型学习特征的结果存在困难。提出了一种获得点云目标识别模型显著图的方法，首先在点云空间中随机释放若干自由因子并输入到模型中，然后根据设计的贡献度评价指标，基于梯度下降使骨干网络输出的池化特征尽可能偏离目标点云识别过程中输出的池化特征并更新因子位置。迭代后的因子无法参与识别过程，其对模型的预测“零贡献”，将目标点云中的点移动到这些因子的位置后对识别结果的影响与丢弃该点完全相同。点的移动过程可微，最后可根据梯度信息获得显著图。本文的方法在ModelNet40数据集上生成PointNet模型的显著图，相较于用点云中心生成显著图的方法，理论依据更强且适用的数据集更多。移动点至“零贡献”因子位置后对模型的影响较移动点至点云中心与丢弃点更相似。按本文的方法丢弃点使模型精度下降得更快，在仅丢弃100个点的情况下，模型的OA(overall accuracy)由90.4%下降至81.1%。同时经DGCNN和PointMLP评估，该显著性结果具有良好的通用性。该方法生成的显著性分数精度更高，且由模型驱动不含任何假设，适用于绝大多数点云识别模型和数据集，其显著性分析结果...     

基于Pareto协同进化算法的TS糊模型设计

提出一种可同时构造多个精确性和解释性较好折中的TS模糊模型的设计方法.该方法由以下两步组成:1)采用模糊聚类算法辨识初始模型;2)利用Pareto协同进化算法对所获得的初始模型进行结构和参数优化.Pareto协同进化算法由规则前件种群和隶属函数种群组成, 其目标函数同时考虑模型的精确性和解释性,采用一种新的基于非支配排序的多种群合作策略.利用该方法对一类合成非线性动态系统进行建模,仿真结果验证了该方法的有效性.     

基于注意力机制的可解释点击率预估模型研究

在推荐系统研发中，点击率(Click-Through Rate, CTR)预估是非常重要的工作，点击率预估精度的提升直接影响到整个推荐系统的收益，对其性能和解释性的研究有助于理解系统决策的机理，同时还能帮助优化需求和系统设计。当前点击率预估深度模型多基于线性特征交互和深度特征提取进行设计。由于深度模型的黑盒特点，该类模型在解释性方面存在局限性，并且在先前的研究中，对点击率预估模型的解释性研究非常少。因此，文中基于多头自注意力机制，对该类模型的解释性进行研究，通过多头注意力机制对特征嵌入、线性特征交互和深度部分进行增强和解释，在深度部分设计了两种模型，即注意力增强的深度神经网络和注意力叠加的深度模型，通过计算每个模块的注意力得分对其进行解释。所提方法在多个真实数据集上进行了大量实验，结果表明所提方法能够有效提升模型效果，并且模型自身带有一定的解释性。     

ZC地区断裂检测方法及特征研究

塔里木盆地ZC地区奥陶系断控油气藏资源丰富，储集体发育和油气藏充注聚集受多期次发育的走滑断裂体系控制。受目的层埋深大、资料信噪比低以及走滑断裂同相轴错动小且断点不清晰等因素影响，目前该区断裂的刻画效果并不理想。为进一步提高ZC地区地震资料信噪比和断裂识别精度，开展解释性处理方法和断裂检测技术研究及测试，形成优势频带滤波与构造导向滤波结合的目标增强处理技术流程，筛选总结出适用于深层走滑断裂的多尺度断裂检测方法。在此基础上，应用断裂特征和继承性量化分析技术对断裂的几何学、运动学特征和活动期次进行了精细解剖，明确了断裂的活动特征，对该区断控油气藏勘探开发具有重要意义。